آموزش پایتون Python صفر تا صد

نصب پایتون

اولین قدم برای شروع برنامه‌نویسی با Python، نصب صحیح آن روی سیستم است. اگرچه بسیاری از سیستم‌عامل‌های لینوکس نسخه‌ای از پایتون را به صورت پیش‌فرض در اختیار دارند، اما برای توسعه پروژه‌های جدید بهتر است آخرین نسخه پایدار Python 3 را نصب کنید تا از امکانات جدید، بهبودهای امنیتی و افزایش کارایی بهره‌مند شوید. در ویندوز و macOS نیز نصب پایتون تنها چند دقیقه زمان می‌برد، اما توجه به برخی تنظیمات هنگام نصب اهمیت زیادی دارد. یکی از رایج‌ترین مشکلات افراد مبتدی این است که گزینه اضافه شدن Python به متغیر PATH را فعال نمی‌کنند و در نتیجه سیستم قادر به شناسایی دستور python یا pip نخواهد بود. همچنین بهتر است همیشه نسخه‌های قدیمی و جدید را مدیریت کنید تا در پروژه‌های مختلف با مشکل ناسازگاری روبه‌رو نشوید. یادگیری صحیح فرآیند نصب از همان ابتدا باعث می‌شود در ادامه آموزش زمان خود را صرف رفع خطاهای اولیه نکنید.

• دانلود آخرین نسخه پایدار Python 3
• اجرای فایل نصب با دسترسی Administrator در ویندوز
• فعال کردن گزینه Add Python to PATH
• نصب ابزار Pip همراه با Python
• بررسی موفقیت نصب از طریق Command Prompt یا Terminal
• به‌روزرسانی Pip در اولین اجرا

python --version
pip --version

پس از اجرای این دستورات باید نسخه نصب‌شده Python و Pip نمایش داده شود. اگر پیام شناسایی نشدن دستور دریافت کردید، معمولاً مشکل به تنظیم نشدن PATH یا نصب ناقص Python مربوط می‌شود. بررسی این مرحله قبل از نصب ابزارهای دیگر اهمیت زیادی دارد، زیرا تقریباً تمام کتابخانه‌های مورد استفاده در ادامه آموزش از طریق Pip نصب خواهند شد.

محیط توسعه

برای نوشتن برنامه‌های Python می‌توان از ویرایشگرهای ساده متن تا محیط‌های توسعه حرفه‌ای یا IDE استفاده کرد. انتخاب ابزار مناسب تأثیر مستقیمی بر سرعت توسعه، خوانایی کد و فرآیند اشکال‌زدایی دارد. بسیاری از برنامه‌نویسان تازه‌کار کار خود را با Visual Studio Code آغاز می‌کنند، زیرا سبک، سریع، رایگان و قابل توسعه است. از سوی دیگر، PyCharm امکانات پیشرفته‌تری مانند تکمیل هوشمند کد، تحلیل خطاها، مدیریت پروژه، اشکال‌زدایی حرفه‌ای و یکپارچگی با سیستم کنترل نسخه Git را در اختیار توسعه‌دهندگان قرار می‌دهد. انتخاب بین این ابزارها به نوع پروژه، سخت‌افزار سیستم و میزان تجربه شما بستگی دارد، اما هر دو گزینه برای یادگیری و توسعه پروژه‌های واقعی کاملاً مناسب هستند.

صرف‌نظر از محیط توسعه‌ای که انتخاب می‌کنید، بهتر است از همان ابتدا ساختار پروژه، نام‌گذاری فایل‌ها و پوشه‌ها را به شکل منظم رعایت کنید. این موضوع در پروژه‌های بزرگ اهمیت بیشتری پیدا می‌کند و نگهداری و توسعه کد را در آینده بسیار آسان‌تر خواهد کرد.

اولین برنامه پایتون

پس از نصب Python و آماده‌سازی محیط توسعه، زمان نوشتن اولین برنامه فرا می‌رسد. در اغلب آموزش‌های برنامه‌نویسی، اولین مثال نمایش عبارت Hello, World! است. هدف این مثال آموزش قابلیت خاصی نیست، بلکه اطمینان از عملکرد صحیح محیط توسعه، آشنایی با نحوه ایجاد فایل، اجرای برنامه و مشاهده خروجی است. در Python این کار تنها با یک دستور انجام می‌شود و همین سادگی یکی از دلایل محبوبیت این زبان است. برخلاف برخی زبان‌های دیگر نیازی به تعریف کلاس، متد اصلی یا تنظیمات پیچیده وجود ندارد و می‌توان مستقیماً نوشتن کد را آغاز کرد.

print("Hello, World!")

دستور print() برای نمایش خروجی در ترمینال یا کنسول استفاده می‌شود و یکی از پرکاربردترین توابع Python است. در ادامه آموزش بارها از این تابع برای بررسی مقادیر متغیرها، نمایش نتیجه محاسبات و آزمایش بخش‌های مختلف برنامه استفاده خواهیم کرد. توصیه می‌شود اولین فایل خود را با نامی مانند main.py ذخیره کنید تا ساختار پروژه از همان ابتدا استاندارد باشد.

اجرای برنامه

برنامه‌های Python را می‌توان به روش‌های مختلف اجرا کرد. ساده‌ترین روش اجرای فایل از طریق محیط توسعه است، اما آشنایی با اجرای برنامه از خط فرمان نیز اهمیت زیادی دارد، زیرا در سرورها، محیط‌های لینوکسی، پروژه‌های DevOps و بسیاری از سامانه‌های واقعی معمولاً برنامه‌ها از طریق ترمینال اجرا می‌شوند. علاوه بر این، بسیاری از ابزارهای توسعه، تست و استقرار نیز بر پایه دستورات خط فرمان کار می‌کنند. بنابراین بهتر است از همان ابتدای مسیر یادگیری با این روش نیز آشنا شوید.

python main.py

در صورتی که چند نسخه از Python روی سیستم نصب باشد، ممکن است لازم باشد از دستور python3 یا مسیر کامل فایل اجرایی استفاده کنید. همچنین در برخی سیستم‌ها بسته به نحوه نصب، دستور اجرا ممکن است متفاوت باشد. آشنایی با این تفاوت‌ها در آینده هنگام کار با محیط‌های مختلف از بروز بسیاری از خطاها جلوگیری خواهد کرد.

ساختار کد

یکی از مهم‌ترین تفاوت‌های Python با بسیاری از زبان‌های برنامه‌نویسی، استفاده از تورفتگی یا Indentation برای مشخص کردن بلوک‌های کد است. در زبان‌هایی مانند C، Java یا PHP معمولاً از آکولاد برای تعیین محدوده دستورات استفاده می‌شود، اما Python این وظیفه را به فاصله ابتدای خطوط واگذار کرده است. این طراحی باعث افزایش خوانایی کد می‌شود، اما در عین حال رعایت فاصله‌ها را به یک الزام تبدیل می‌کند. اگر میزان تورفتگی صحیح نباشد، برنامه با خطای نحوی اجرا نخواهد شد. به همین دلیل توصیه می‌شود همیشه از چهار فاصله یا تنظیمات پیش‌فرض ویرایشگر استفاده کنید و از ترکیب فاصله و Tab خودداری نمایید.

if True:
    print("Python")
print("Finished")

در این مثال تنها دستور دوم داخل شرط قرار دارد، زیرا دارای تورفتگی است. دستور آخر خارج از بلوک شرط اجرا می‌شود. درک صحیح این ساختار از همان ابتدا اهمیت زیادی دارد، زیرا تقریباً تمام ساختارهای کنترلی مانند شرط‌ها، حلقه‌ها، توابع و کلاس‌ها بر همین اساس تعریف می‌شوند و رعایت نکردن آن یکی از رایج‌ترین خطاهای افراد مبتدی است.

قواعد نگارش

یکی از دلایل محبوبیت Python، سادگی قوانین نگارش یا Syntax آن است. در این زبان تلاش شده تعداد نمادهای اضافی به حداقل برسد تا توسعه‌دهنده بیشتر روی منطق برنامه تمرکز کند. برخلاف بسیاری از زبان‌های برنامه‌نویسی، در پایان هر خط نیازی به استفاده از نقطه ویرگول وجود ندارد و ساختار کدها بسیار خوانا است. این ویژگی باعث می‌شود حتی افرادی که برای اولین بار برنامه‌نویسی را تجربه می‌کنند، بتوانند کدها را راحت‌تر درک کنند. البته سادگی Syntax به معنای نادیده گرفتن استانداردها نیست و رعایت نام‌گذاری مناسب، فاصله‌گذاری صحیح، تورفتگی استاندارد و قالب‌بندی منظم از همان ابتدای یادگیری اهمیت زیادی دارد. هرچه کدهای شما خواناتر باشند، نگهداری، توسعه و اشکال‌زدایی پروژه نیز آسان‌تر خواهد شد. به همین دلیل Python یکی از بهترین زبان‌ها برای آموزش اصول برنامه‌نویسی محسوب می‌شود.

رعایت استانداردهای نگارش از همان ابتدای مسیر یادگیری باعث می‌شود هنگام کار روی پروژه‌های تیمی یا پروژه‌های بزرگ، سایر برنامه‌نویسان نیز بتوانند کدهای شما را به‌راحتی درک کنند. در جامعه Python استانداردهای مشخصی برای قالب‌بندی، نام‌گذاری و ساختار پروژه وجود دارد که در بخش‌های پیشرفته‌تر مقاله به آن‌ها خواهیم پرداخت.

کامنت نویسی

کامنت یا Comment توضیحاتی است که برای افزایش خوانایی کد نوشته می‌شود و هنگام اجرای برنامه نادیده گرفته خواهد شد. استفاده صحیح از کامنت‌ها باعث می‌شود هدف بخش‌های مختلف برنامه برای خودتان یا سایر اعضای تیم کاملاً مشخص باشد. البته یکی از اشتباهات رایج افراد مبتدی، نوشتن کامنت برای هر خط از برنامه است؛ در حالی که اگر کد به اندازه کافی خوانا باشد، تنها بخش‌هایی که منطق پیچیده یا تصمیم مهمی در آن‌ها وجود دارد نیاز به توضیح خواهند داشت. کامنت‌های کوتاه، دقیق و به‌روز ارزش بیشتری نسبت به توضیحات طولانی و قدیمی دارند. همچنین اگر پس از تغییر کد، کامنت‌ها نیز اصلاح نشوند، ممکن است باعث گمراه شدن توسعه‌دهندگان شوند.

# Single line comment
print("DJH")
"""
Multi line
comment
"""

در مثال بالا از علامت # برای کامنت تک‌خطی استفاده شده است. همچنین رشته‌های چندخطی که داخل سه علامت نقل‌قول قرار می‌گیرند، در بسیاری از پروژه‌ها برای مستندسازی یا توضیح بخش‌های مختلف برنامه استفاده می‌شوند. توصیه می‌شود همواره دلیل انجام یک کار را توضیح دهید، نه اینکه عملکرد واضح کد را دوباره به زبان طبیعی تکرار کنید.

شناسه ها

شناسه یا Identifier همان نامی است که برای متغیرها، توابع، کلاس‌ها و سایر اجزای برنامه انتخاب می‌شود. انتخاب نام مناسب تأثیر مستقیمی بر کیفیت کد دارد و یکی از مهم‌ترین اصول برنامه‌نویسی حرفه‌ای محسوب می‌شود. یک شناسه باید مفهوم روشنی داشته باشد و بتواند نقش آن بخش از برنامه را بدون نیاز به توضیح اضافی بیان کند. در Python نام شناسه می‌تواند شامل حروف، اعداد و علامت زیرخط باشد، اما نباید با عدد آغاز شود. همچنین استفاده از کلمات رزروشده زبان مانند if، while، class یا return به عنوان شناسه مجاز نیست. رعایت این قوانین از بروز خطاهای نحوی جلوگیری می‌کند و خوانایی پروژه را افزایش می‌دهد.

برنامه‌نویسان حرفه‌ای معمولاً از نام‌های کوتاه اما معنادار استفاده می‌کنند. به عنوان مثال به جای استفاده از نام‌هایی مانند x یا temp1 بهتر است از نام‌هایی مانند student_name، total_price یا user_count استفاده شود تا هدف متغیر در همان نگاه اول مشخص باشد.

نسخه های پایتون

در حال حاضر تمام پروژه‌های جدید باید بر پایه Python 3 توسعه داده شوند. نسخه Python 2 سال‌ها قبل بسیار محبوب بود، اما پشتیبانی رسمی آن پایان یافته است و استفاده از آن در پروژه‌های جدید توصیه نمی‌شود. نسخه‌های جدید Python علاوه بر افزایش سرعت اجرا، قابلیت‌های امنیتی بهتر، امکانات جدید برنامه‌نویسی، مدیریت حافظه بهینه‌تر و کتابخانه‌های به‌روزتری را در اختیار توسعه‌دهندگان قرار می‌دهند. بسیاری از فریم‌ورک‌ها و کتابخانه‌های مدرن نیز دیگر از Python 2 پشتیبانی نمی‌کنند. به همین دلیل اگر قصد ورود به بازار کار یا توسعه پروژه‌های واقعی را دارید، تمرکز خود را کاملاً روی Python 3 قرار دهید.

در ادامه این آموزش تمام مثال‌ها، پروژه‌ها، کدها و توضیحات بر اساس نسخه‌های جدید Python 3 نوشته شده‌اند تا بتوانید بدون نگرانی از ناسازگاری، آن‌ها را در پروژه‌های واقعی نیز به کار بگیرید.

اعداد در پایتون

پایتون از انواع مختلف اعداد پشتیبانی می‌کند و انجام محاسبات ریاضی را بسیار ساده کرده است. اعداد صحیح یا Integer برای مقادیر بدون اعشار استفاده می‌شوند، در حالی که Float برای نمایش اعداد اعشاری کاربرد دارد. علاوه بر این، Python از اعداد مختلط یا Complex نیز پشتیبانی می‌کند که در محاسبات علمی و مهندسی مورد استفاده قرار می‌گیرند. موتور محاسباتی Python دقت بسیار مناسبی دارد و بسیاری از کتابخانه‌های علمی نیز بر همین قابلیت‌ها بنا شده‌اند. در پروژه‌های مالی یا محاسبات حساس، باید به تفاوت بین Float و Decimal نیز توجه داشت که در بخش‌های پیشرفته‌تر مقاله درباره آن صحبت خواهیم کرد.

a=15
b=4
print(a+b)
print(a-b)
print(a*b)
print(a/b)
print(a//b)
print(a%b)
print(a**b)

در این مثال با مهم‌ترین عملگرهای ریاضی آشنا شدید. تقسیم معمولی نتیجه اعشاری تولید می‌کند، تقسیم صحیح بخش اعشاری را حذف می‌کند، عملگر باقیمانده برای بسیاری از الگوریتم‌ها کاربرد دارد و توان نیز برای محاسبات ریاضی مورد استفاده قرار می‌گیرد. آشنایی با این عملگرها پایه بسیاری از برنامه‌های علمی، مالی و مهندسی خواهد بود.

رشته ها

رشته یا String مجموعه‌ای از کاراکترها است که برای نگهداری متن استفاده می‌شود. نام افراد، آدرس ایمیل، شماره تلفن، پیام‌های خطا، محتوای فایل‌ها و اطلاعات دریافت‌شده از کاربر همگی معمولاً به صورت رشته ذخیره می‌شوند. Python امکانات بسیار گسترده‌ای برای پردازش رشته‌ها ارائه می‌دهد و همین موضوع یکی از دلایل محبوبیت آن در پردازش متن، تحلیل داده و توسعه هوش مصنوعی است. رشته‌ها می‌توانند با علامت نقل‌قول تکی یا دوتایی تعریف شوند و از انواع توابع داخلی برای جستجو، برش، جایگزینی و تبدیل متن پشتیبانی می‌کنند.

language="Python"
print(language.upper())
print(language.lower())
print(len(language))
print(language[0])

در این نمونه، متن به حروف بزرگ و کوچک تبدیل شده، طول رشته محاسبه شده و اولین کاراکتر نمایش داده می‌شود. یادگیری عملیات روی رشته‌ها اهمیت زیادی دارد، زیرا بخش بزرگی از برنامه‌های کاربردی با داده‌های متنی سروکار دارند و تقریباً در هر پروژه‌ای از این قابلیت‌ها استفاده خواهد شد.

بولین و None

نوع داده Boolean تنها دو مقدار True و False را در خود نگهداری می‌کند و پایه اصلی تصمیم‌گیری در برنامه‌ها است. نتیجه مقایسه‌ها، بررسی شرایط، کنترل حلقه‌ها و بسیاری از عملیات منطقی به صورت مقدار بولین تولید می‌شود. در کنار آن، مقدار None نشان‌دهنده نبود مقدار یا مقدار نامشخص است و نباید با صفر یا رشته خالی اشتباه گرفته شود. استفاده صحیح از None در طراحی توابع، مدیریت داده‌ها و توسعه API اهمیت زیادی دارد و بسیاری از کتابخانه‌های Python نیز از آن برای نمایش نبود اطلاعات استفاده می‌کنند.

logged_in=True
profile=None
print(logged_in)
print(profile)

در این مثال متغیر اول وضعیت ورود کاربر را مشخص می‌کند و متغیر دوم نشان می‌دهد که هنوز اطلاعات پروفایل مقداردهی نشده است. شناخت تفاوت میان False، صفر، رشته خالی و None از بروز بسیاری از خطاهای منطقی در پروژه‌های واقعی جلوگیری می‌کند.

تبدیل نوع داده

در بسیاری از برنامه‌ها لازم است داده‌ها از یک نوع به نوع دیگری تبدیل شوند. برای مثال اطلاعاتی که از کاربر دریافت می‌شود معمولاً به صورت رشته یا String است، اما ممکن است بخواهید روی آن عملیات ریاضی انجام دهید. در چنین شرایطی باید نوع داده را به Integer یا Float تبدیل کنید. Python مجموعه‌ای از توابع داخلی برای انجام این تبدیل‌ها در اختیار برنامه‌نویس قرار داده است. البته باید توجه داشت که همه تبدیل‌ها همیشه امکان‌پذیر نیستند و اگر رشته‌ای شامل کاراکترهای غیرعددی باشد، تبدیل آن به عدد با خطا مواجه خواهد شد. بنابراین اعتبارسنجی ورودی‌ها قبل از تبدیل یکی از مهم‌ترین اصول توسعه نرم‌افزار محسوب می‌شود. آشنایی با تبدیل نوع داده از همان ابتدای یادگیری باعث می‌شود هنگام دریافت اطلاعات از فایل‌ها، پایگاه داده یا کاربران با مشکلات کمتری روبه‌رو شوید.

age="41"
price="125.5"
print(int(age))
print(float(price))
print(str(500))
print(bool(1))
print(bool(0))

در این مثال رشته به عدد صحیح، رشته به عدد اعشاری، عدد به رشته و اعداد به مقدار بولین تبدیل شده‌اند. استفاده صحیح از این توابع باعث می‌شود داده‌ها با فرمت مناسب در بخش‌های مختلف برنامه مورد استفاده قرار گیرند و احتمال بروز خطاهای منطقی کاهش یابد.

عملگرهای ریاضی

عملگرها یا Operators ابزارهایی هستند که برای انجام عملیات روی داده‌ها استفاده می‌شوند. عملگرهای ریاضی از پرکاربردترین عملگرهای Python هستند و تقریباً در تمام پروژه‌ها مورد استفاده قرار می‌گیرند. علاوه بر چهار عمل اصلی، Python از تقسیم صحیح، محاسبه باقیمانده، توان و چندین عملگر دیگر نیز پشتیبانی می‌کند. شناخت ترتیب اجرای عملگرها نیز اهمیت زیادی دارد، زیرا نتیجه نهایی برنامه به آن وابسته است. در صورت نیاز می‌توان با استفاده از پرانتز ترتیب انجام محاسبات را کنترل کرد تا خروجی دقیقاً مطابق انتظار باشد.

تسلط بر این عملگرها پایه بسیاری از الگوریتم‌ها، محاسبات مالی، تحلیل داده، پردازش تصویر و برنامه‌های علمی است. در ادامه مقاله از این عملگرها در مثال‌های عملی بیشتری استفاده خواهیم کرد تا کاربرد آن‌ها در پروژه‌های واقعی نیز مشخص شود.

عملگرهای مقایسه

عملگرهای مقایسه برای بررسی رابطه بین دو مقدار استفاده می‌شوند و نتیجه آن‌ها همیشه یک مقدار Boolean یعنی True یا False است. این عملگرها پایه اصلی تصمیم‌گیری در برنامه‌ها هستند و تقریباً تمام ساختارهای شرطی بر اساس آن‌ها عمل می‌کنند. برای مثال می‌توان بررسی کرد که آیا سن کاربر بیشتر از هجده سال است، آیا موجودی حساب از مبلغ خرید بیشتر است یا آیا دو رشته با یکدیگر برابر هستند. درک صحیح این عملگرها قبل از یادگیری شرط‌ها و حلقه‌ها اهمیت زیادی دارد، زیرا بیشتر الگوریتم‌ها از آن‌ها استفاده می‌کنند.

x=20
y=15
print(x==y)
print(x!=y)
print(x>y)
print(x>=y)
print(x<y)
print(x<=y)

هر یک از این دستورات نتیجه‌ای از نوع True یا False تولید می‌کند. این مقادیر در ادامه برای کنترل مسیر اجرای برنامه، اعتبارسنجی اطلاعات و تصمیم‌گیری در الگوریتم‌های مختلف مورد استفاده قرار خواهند گرفت.

عملگرهای منطقی

در بسیاری از برنامه‌ها تنها بررسی یک شرط کافی نیست و لازم است چند شرط به صورت هم‌زمان ارزیابی شوند. Python برای این منظور عملگرهای منطقی and، or و not را در اختیار برنامه‌نویسان قرار داده است. عملگر and زمانی مقدار True برمی‌گرداند که تمام شرط‌ها برقرار باشند. عملگر or در صورت برقرار بودن حداقل یکی از شرط‌ها مقدار True تولید می‌کند و عملگر not نتیجه منطقی را معکوس می‌کند. استفاده صحیح از این عملگرها باعث می‌شود تصمیم‌گیری‌های پیچیده با کدهای ساده و خوانا پیاده‌سازی شوند.

age=25
verified=True
print(age>=18 and verified)
print(age<18 or verified)
print(not verified)

در پروژه‌های واقعی این عملگرها برای بررسی سطح دسترسی کاربران، اعتبار اطلاعات، وضعیت ورود به سیستم، شرایط پرداخت، کنترل موجودی و ده‌ها سناریوی دیگر مورد استفاده قرار می‌گیرند. شناخت تفاوت عملکرد آن‌ها از ایجاد خطاهای منطقی در آینده جلوگیری می‌کند.

ورودی و خروجی

تقریباً تمام برنامه‌های کاربردی اطلاعاتی را از کاربر، فایل، شبکه یا پایگاه داده دریافت می‌کنند و پس از پردازش، نتیجه‌ای را نمایش می‌دهند. در Python دریافت ورودی از کاربر با تابع input() انجام می‌شود و خروجی معمولاً با استفاده از تابع print() نمایش داده می‌شود. باید توجه داشت که مقدار بازگشتی تابع input به صورت رشته است و در صورت نیاز به انجام محاسبات عددی باید آن را به نوع مناسب تبدیل کرد. آشنایی با این موضوع یکی از رایج‌ترین چالش‌های افراد تازه‌کار است و در صورت نادیده گرفتن آن ممکن است برنامه نتایج غیرمنتظره‌ای تولید کند.

name=input("Name: ")
age=int(input("Age: "))
print("Welcome",name)
print(age+1)

در این مثال ابتدا نام و سن کاربر دریافت شده است. مقدار سن با استفاده از تابع int() به عدد صحیح تبدیل می‌شود تا بتوان عملیات ریاضی روی آن انجام داد. این الگو در بسیاری از برنامه‌های واقعی برای دریافت اطلاعات کاربران، فرم‌های ثبت‌نام، سیستم‌های حسابداری و نرم‌افزارهای مدیریتی مورد استفاده قرار می‌گیرد.

دستور if

دستور if ساده‌ترین ساختار تصمیم‌گیری در Python است و برای اجرای یک یا چند دستور در صورت برقرار بودن شرط استفاده می‌شود. شرط می‌تواند نتیجه یک مقایسه، یک عبارت منطقی یا حتی مقدار یک متغیر Boolean باشد. هرگاه نتیجه شرط True باشد، دستورات داخل بلوک اجرا می‌شوند و در غیر این صورت برنامه به خط بعد از بلوک منتقل خواهد شد. استفاده از if در کنار عملگرهای مقایسه و منطقی، امکان طراحی الگوریتم‌های پیچیده را فراهم می‌کند. رعایت صحیح تورفتگی در این ساختار اهمیت زیادی دارد، زیرا Python محدوده بلوک را بر اساس فاصله ابتدای خطوط تشخیص می‌دهد.

score=82
if score>=50:
    print("Passed")
print("Finished")

در این مثال اگر نمره بیشتر یا مساوی پنجاه باشد، پیام قبولی نمایش داده می‌شود و سپس بدون توجه به نتیجه شرط، عبارت Finished نیز چاپ خواهد شد. این تفاوت نشان می‌دهد که تنها دستورات دارای تورفتگی عضو بلوک شرط هستند.

دستور else

گاهی لازم است در صورت برقرار نبودن شرط، مسیر دیگری از برنامه اجرا شود. برای این منظور از بخش else استفاده می‌شود. این ساختار دقیقاً مکمل if است و زمانی اجرا می‌شود که نتیجه شرط False باشد. وجود else باعث می‌شود تمام حالت‌های ممکن پوشش داده شوند و رفتار برنامه قابل پیش‌بینی باشد. بسیاری از فرآیندهای احراز هویت، بررسی موجودی، کنترل دسترسی و اعتبارسنجی اطلاعات بر اساس همین الگو طراحی می‌شوند.

password="1234"
if password=="1234":
    print("Access Granted")
else:
    print("Access Denied")

در این مثال تنها یکی از دو پیام نمایش داده خواهد شد. اگر مقدار متغیر با شرط برابر باشد، پیام دسترسی مجاز و در غیر این صورت پیام عدم دسترسی چاپ می‌شود. این الگو یکی از رایج‌ترین ساختارهای تصمیم‌گیری در نرم‌افزارها است.

دستور elif

در بسیاری از سناریوها تنها دو حالت وجود ندارد و باید چندین شرط مختلف بررسی شوند. Python برای این منظور از دستور elif استفاده می‌کند. این دستور امکان بررسی شرط‌های متعدد را بدون ایجاد ساختارهای تو در تو فراهم می‌کند و خوانایی برنامه را افزایش می‌دهد. معمولاً شرط‌ها از مهم‌ترین حالت به کم‌اهمیت‌ترین حالت مرتب می‌شوند و به محض برقرار شدن یکی از آن‌ها، سایر شرط‌ها بررسی نخواهند شد. این موضوع علاوه بر افزایش سرعت اجرا، ساختار برنامه را نیز ساده‌تر می‌کند.

score=76
if score>=90:
    print("A")
elif score>=80:
    print("B")
elif score>=70:
    print("C")
else:
    print("D")

در این نمونه نمره دانش‌آموز بررسی شده و بر اساس بازه امتیاز، یکی از چهار نتیجه نمایش داده می‌شود. استفاده از elif نسبت به چندین if مستقل باعث می‌شود تنها یک مسیر از برنامه اجرا شود و منطق تصمیم‌گیری شفاف‌تر باشد.

حلقه for

حلقه for زمانی استفاده می‌شود که تعداد دفعات تکرار مشخص باشد یا بخواهیم اعضای یک مجموعه مانند لیست، رشته، تاپل، دیکشنری یا خروجی تابع range() را پیمایش کنیم. این حلقه یکی از پرکاربردترین ساختارهای Python است و به دلیل سادگی Syntax، خوانایی بسیار بالایی دارد. برخلاف برخی زبان‌های برنامه‌نویسی که مدیریت شمارنده به صورت دستی انجام می‌شود، Python بسیاری از این عملیات را به صورت خودکار مدیریت می‌کند. همین ویژگی باعث کاهش خطاهای منطقی و افزایش سرعت توسعه می‌شود. در پروژه‌های واقعی معمولاً از حلقه for برای پردازش مجموعه داده‌ها، تولید گزارش، انجام محاسبات گروهی و مدیریت فایل‌ها استفاده می‌شود.

for i in range(1,6):
    print(i)

تابع range() دنباله‌ای از اعداد تولید می‌کند و حلقه for هر مقدار را به ترتیب در متغیر i قرار می‌دهد. در این مثال اعداد یک تا پنج نمایش داده می‌شوند. آشنایی با این الگو پایه بسیاری از الگوریتم‌های برنامه‌نویسی خواهد بود.

حلقه while

حلقه while زمانی مناسب است که تعداد دفعات اجرای دستورات از قبل مشخص نباشد و ادامه اجرای برنامه به برقرار بودن یک شرط وابسته باشد. این حلقه تا زمانی اجرا می‌شود که شرط مقدار True داشته باشد و به محض False شدن شرط، اجرای آن متوقف خواهد شد. هنگام استفاده از while باید دقت کرد که شرط خروج به درستی تعریف شده باشد، زیرا در غیر این صورت برنامه وارد حلقه بی‌نهایت یا Infinite Loop خواهد شد و تا زمان متوقف شدن توسط کاربر یا سیستم ادامه پیدا می‌کند. استفاده صحیح از این ساختار در توسعه نرم‌افزارهای تعاملی، پردازش جریان داده و برنامه‌های شبکه بسیار رایج است.

count=1
while count<=5:
    print(count)
    count+=1

در این مثال مقدار متغیر count پس از هر بار اجرا افزایش پیدا می‌کند و زمانی که از پنج بیشتر شود، شرط برقرار نخواهد بود و حلقه خاتمه می‌یابد. فراموش کردن افزایش مقدار شمارنده یکی از رایج‌ترین اشتباهات افراد تازه‌کار هنگام استفاده از حلقه while است.

دستورات break و continue

گاهی لازم است قبل از پایان طبیعی حلقه، اجرای آن متوقف شود یا بخشی از تکرار جاری نادیده گرفته شود. Python برای این منظور دو دستور مهم break و continue را ارائه می‌دهد. دستور break بلافاصله اجرای حلقه را پایان می‌دهد و برنامه به اولین دستور بعد از حلقه منتقل می‌شود. در مقابل، continue تنها ادامه همان تکرار را نادیده می‌گیرد و حلقه از تکرار بعدی ادامه پیدا می‌کند. استفاده صحیح از این دو دستور باعث ساده‌تر شدن بسیاری از الگوریتم‌ها می‌شود، اما استفاده بیش از حد از آن‌ها می‌تواند خوانایی کد را کاهش دهد. بنابراین بهتر است تنها در مواقع ضروری از آن‌ها استفاده شود.

for i in range(1,8):
    if i==4:
        continue
    if i==7:
        break
    print(i)

در این مثال عدد چهار نمایش داده نمی‌شود، زیرا دستور continue آن تکرار را رد می‌کند. همچنین با رسیدن مقدار متغیر به هفت، دستور break اجرا شده و حلقه بلافاصله خاتمه پیدا می‌کند. این دو دستور در جستجو، اعتبارسنجی و پردازش داده‌ها کاربرد فراوانی دارند.

تعریف تابع

در Python برای تعریف یک تابع از کلمه کلیدی def استفاده می‌شود. هر تابع دارای یک نام، مجموعه‌ای از پارامترهای اختیاری و یک بلوک از دستورات است که هنگام فراخوانی اجرا خواهند شد. انتخاب نام مناسب برای توابع اهمیت زیادی دارد و بهتر است نام تابع دقیقاً بیان‌کننده کاری باشد که انجام می‌دهد. همچنین هر تابع باید تنها یک مسئولیت مشخص داشته باشد تا نگهداری و توسعه آن در آینده ساده‌تر باشد. تقسیم پروژه به توابع کوچک و تخصصی یکی از مهم‌ترین اصول طراحی نرم‌افزار است و باعث می‌شود پروژه‌های بزرگ نیز ساختاری منظم و قابل فهم داشته باشند.

def welcome():
    print("Welcome to Python")
welcome()

در این مثال ابتدا تابعی با نام welcome تعریف شده و سپس با فراخوانی آن، پیام موردنظر نمایش داده می‌شود. بدنه تابع تنها زمانی اجرا خواهد شد که تابع فراخوانی شود و تعریف آن به تنهایی باعث اجرای دستورات نمی‌شود.

پارامترها

بسیاری از توابع برای انجام وظیفه خود به اطلاعاتی از بیرون نیاز دارند. این اطلاعات از طریق پارامترها یا Parameters به تابع ارسال می‌شوند. پارامترها باعث می‌شوند یک تابع بتواند برای داده‌های مختلف مورد استفاده قرار گیرد و نیازی به ایجاد چندین تابع مشابه نباشد. هر پارامتر هنگام فراخوانی تابع مقداری دریافت می‌کند که به آن آرگومان یا Argument گفته می‌شود. استفاده صحیح از پارامترها باعث افزایش انعطاف‌پذیری کد و کاهش تکرار می‌شود. در پروژه‌های واقعی ممکن است یک تابع چندین پارامتر مختلف برای پردازش اطلاعات کاربران، محاسبات مالی یا مدیریت فایل‌ها دریافت کند.

def greet(name):
    print("Hello",name)
greet("Darioush")
greet("Sara")

در این مثال یک تابع برای خوشامدگویی تعریف شده است. با ارسال نام‌های مختلف، همان تابع برای کاربران متفاوت استفاده می‌شود و نیازی به نوشتن چندین نسخه مشابه از کد وجود ندارد.

مقدار بازگشتی

برخی توابع تنها عملی را انجام می‌دهند، اما بسیاری از آن‌ها پس از پردازش اطلاعات باید نتیجه‌ای را به بخش فراخواننده بازگردانند. این کار با استفاده از دستور return انجام می‌شود. مقدار بازگشتی می‌تواند عدد، رشته، لیست، دیکشنری، شیء یا هر نوع داده دیگری باشد. استفاده از return باعث می‌شود خروجی تابع در بخش‌های دیگر برنامه مورد استفاده قرار گیرد و امکان ترکیب توابع مختلف برای ایجاد الگوریتم‌های پیچیده فراهم شود. در پروژه‌های حرفه‌ای بیشتر توابع مقدار مشخصی را بازمی‌گردانند تا بتوان از نتیجه آن‌ها در محاسبات یا تصمیم‌گیری‌های بعدی استفاده کرد.

def add(a,b):
    return a+b
result=add(10,15)
print(result)

در این مثال تابع حاصل جمع دو عدد را محاسبه کرده و با استفاده از return آن را بازمی‌گرداند. مقدار برگشتی داخل متغیر result ذخیره شده و سپس نمایش داده می‌شود. این روش نسبت به چاپ مستقیم نتیجه انعطاف‌پذیری بسیار بیشتری دارد.

دامنه متغیرها

دامنه یا Scope مشخص می‌کند که یک متغیر در چه بخش‌هایی از برنامه قابل دسترسی است. متغیرهایی که داخل یک تابع تعریف می‌شوند، معمولاً فقط در همان تابع قابل استفاده هستند و به آن‌ها Local Variable گفته می‌شود. در مقابل، متغیرهایی که خارج از توابع تعریف می‌شوند، در بخش‌های مختلف برنامه قابل دسترسی هستند و به عنوان Global Variable شناخته می‌شوند. شناخت تفاوت این دو مفهوم اهمیت زیادی دارد، زیرا استفاده نادرست از متغیرهای سراسری می‌تواند باعث افزایش وابستگی بین بخش‌های مختلف برنامه و دشوار شدن نگهداری پروژه شود. برنامه‌نویسان حرفه‌ای تا حد امکان از متغیرهای محلی استفاده می‌کنند تا هر تابع مستقل و قابل پیش‌بینی باقی بماند.

message="Global"
def show():
    text="Local"
    print(message)
    print(text)
show()

در این مثال تابع به متغیر سراسری message دسترسی دارد، اما متغیر text تنها داخل همان تابع قابل استفاده است. اگر خارج از تابع بخواهید به متغیر محلی دسترسی پیدا کنید، برنامه با خطا مواجه خواهد شد. رعایت این اصل باعث طراحی ساختارهای ماژولار و کاهش وابستگی بین بخش‌های مختلف نرم‌افزار می‌شود.

ایجاد ماژول

ساخت ماژول در Python بسیار ساده است. کافی است یک فایل جدید با پسوند .py ایجاد کرده و توابع یا کلاس‌های موردنیاز خود را داخل آن قرار دهید. سپس در فایل‌های دیگر پروژه با استفاده از دستور import به آن دسترسی پیدا کنید. این روش باعث می‌شود پروژه ساختاری منظم‌تر داشته باشد و هر فایل تنها مسئول بخشی از منطق برنامه باشد. در پروژه‌های بزرگ معمولاً فایل‌های جداگانه‌ای برای مدیریت پایگاه داده، پردازش داده، احراز هویت، ارسال ایمیل، مدیریت تنظیمات و سایر بخش‌ها ایجاد می‌شود.

def add(a,b):
    return a+b

فرض کنید کد بالا داخل فایلی با نام math_tools.py قرار دارد. اکنون می‌توان این تابع را در هر بخش دیگری از پروژه فراخوانی کرد و دیگر نیازی به تکرار کد نخواهد بود. این روش یکی از مهم‌ترین اصول توسعه نرم‌افزارهای قابل نگهداری است.

استفاده از import

برای استفاده از ماژول‌ها از دستور import استفاده می‌شود. این دستور فایل موردنظر را بارگذاری کرده و تمام اجزای موردنیاز را در اختیار برنامه قرار می‌دهد. Python روش‌های مختلفی برای Import کردن ارائه می‌دهد؛ می‌توان کل ماژول، تنها یک تابع یا حتی با استفاده از Alias نام کوتاه‌تری برای آن تعریف کرد. انتخاب روش مناسب به اندازه پروژه و میزان استفاده از اجزای مختلف ماژول بستگی دارد. استفاده صحیح از import باعث افزایش خوانایی کد و جلوگیری از تداخل نام‌ها در پروژه‌های بزرگ می‌شود.

import math_tools
print(math_tools.add(10,20))

در این مثال ابتدا ماژول بارگذاری شده و سپس تابع add از طریق نام ماژول فراخوانی می‌شود. این روش به وضوح مشخص می‌کند که تابع متعلق به کدام فایل است و احتمال تداخل با سایر توابع را کاهش می‌دهد.

پکیج چیست

هنگامی که تعداد ماژول‌ها افزایش پیدا می‌کند، مدیریت آن‌ها نیز دشوار خواهد شد. Python برای سازمان‌دهی بهتر پروژه‌ها از مفهوم Package یا بسته استفاده می‌کند. پکیج مجموعه‌ای از ماژول‌های مرتبط است که داخل یک پوشه قرار می‌گیرند و معمولاً هر پوشه مسئول یک بخش مشخص از نرم‌افزار است. برای مثال در یک فروشگاه اینترنتی ممکن است پکیج‌های جداگانه‌ای برای کاربران، محصولات، سفارش‌ها، پرداخت، گزارش‌گیری و مدیریت پایگاه داده وجود داشته باشد. این ساختار باعث می‌شود پروژه‌های بزرگ نیز کاملاً منظم باقی بمانند و توسعه‌دهندگان بتوانند روی بخش‌های مختلف به صورت مستقل کار کنند.

تقریباً تمام فریم‌ورک‌های مشهور Python مانند Django و FastAPI از ساختار پکیج استفاده می‌کنند و آشنایی با این مفهوم برای توسعه پروژه‌های حرفه‌ای ضروری است.

مدیریت بسته ها

یکی از بزرگ‌ترین نقاط قوت Python وجود مخزن عظیم PyPI و ابزار مدیریت بسته Pip است. هزاران کتابخانه رایگان برای انجام وظایف مختلف مانند توسعه وب، هوش مصنوعی، تحلیل داده، امنیت، پردازش تصویر، اتوماسیون، ارتباط با پایگاه داده و بسیاری از حوزه‌های دیگر در دسترس هستند. به جای نوشتن همه قابلیت‌ها از ابتدا، برنامه‌نویسان معمولاً کتابخانه‌های معتبر را نصب کرده و در پروژه‌های خود استفاده می‌کنند. این موضوع سرعت توسعه را به شکل چشمگیری افزایش داده و باعث کاهش هزینه پروژه‌ها می‌شود.

pip install requests
pip install numpy
pip install pandas

در این مثال سه کتابخانه پرکاربرد نصب می‌شوند. کتابخانه Requests برای ارتباط با سرویس‌های وب، NumPy برای محاسبات عددی و Pandas برای تحلیل داده کاربرد دارد. در بخش‌های بعدی مقاله با بسیاری از کتابخانه‌های مهم Python و کاربرد آن‌ها آشنا خواهید شد.

محیط مجازی

یکی از بهترین روش‌های مدیریت پروژه‌های Python استفاده از Virtual Environment یا محیط مجازی است. محیط مجازی فضایی مستقل ایجاد می‌کند که کتابخانه‌های هر پروژه به صورت جداگانه در آن نصب می‌شوند. این کار از بروز تداخل بین نسخه‌های مختلف کتابخانه‌ها جلوگیری می‌کند و امکان نگهداری هم‌زمان چند پروژه با نیازهای متفاوت را فراهم می‌سازد. تقریباً تمام تیم‌های حرفه‌ای توسعه نرم‌افزار از Virtual Environment استفاده می‌کنند، زیرا وابستگی‌های هر پروژه را مستقل نگه می‌دارد و فرآیند استقرار نرم‌افزار را ساده‌تر می‌کند.

python -m venv venv
venv\Scripts\activate
pip install requests

در این مثال ابتدا یک محیط مجازی ایجاد شده، سپس فعال می‌شود و در نهایت کتابخانه موردنظر داخل همان محیط نصب خواهد شد. این روش باعث می‌شود سایر پروژه‌های موجود روی سیستم تحت تأثیر این تغییرات قرار نگیرند. در ادامه مقاله، پس از تکمیل مباحث پایه، وارد ساختمان داده‌ها یا Collections خواهیم شد و با List، Tuple، Dictionary و Set که از مهم‌ترین ساختارهای داده در Python هستند، به صورت کامل آشنا می‌شویم.

لیست در پایتون

List پرکاربردترین ساختمان داده در Python است و برای نگهداری مجموعه‌ای از عناصر به ترتیب استفاده می‌شود. لیست‌ها قابل تغییر یا Mutable هستند، به این معنی که پس از ایجاد می‌توان عناصر جدید به آن‌ها اضافه کرد، مقادیر موجود را تغییر داد یا برخی از عناصر را حذف کرد. همچنین یک لیست می‌تواند شامل انواع مختلف داده مانند عدد، رشته، مقدار بولین یا حتی لیست‌های دیگر باشد. انعطاف‌پذیری بالا باعث شده List در بیشتر پروژه‌های Python مورد استفاده قرار گیرد. مدیریت کاربران، محصولات، فایل‌ها، سفارش‌ها، پیام‌ها و بسیاری از اطلاعات دیگر معمولاً با استفاده از لیست انجام می‌شود.

users=["Ali","Sara","Reza"]
users.append("Mina")
print(users)
print(users[0])

در این مثال ابتدا یک لیست ایجاد شده، سپس کاربر جدیدی به انتهای آن اضافه شده و در نهایت کل لیست و اولین عضو آن نمایش داده می‌شود. آشنایی با متدهای مختلف List مانند append، remove، insert، sort و pop برای توسعه برنامه‌های کاربردی اهمیت زیادی دارد.

تاپل در پایتون

Tuple از نظر ساختار بسیار شبیه List است، اما تفاوت مهم آن در غیرقابل تغییر بودن یا Immutable بودن آن است. پس از ایجاد یک Tuple نمی‌توان عناصر آن را اضافه، حذف یا ویرایش کرد. این ویژگی باعث افزایش امنیت داده‌ها و در برخی شرایط بهبود عملکرد برنامه می‌شود. زمانی که اطلاعات نباید در طول اجرای برنامه تغییر کنند، استفاده از Tuple انتخاب مناسبی خواهد بود. مختصات جغرافیایی، تنظیمات ثابت، اطلاعات نسخه نرم‌افزار و بسیاری از داده‌های ثابت معمولاً به صورت Tuple ذخیره می‌شوند.

point=(120,85)
print(point[0])
print(point[1])

در این مثال مختصات یک نقطه داخل Tuple ذخیره شده است. از آنجا که این مقادیر ثابت هستند، استفاده از Tuple انتخاب مناسبی محسوب می‌شود و از تغییر ناخواسته داده‌ها جلوگیری می‌کند.

ست در پایتون

Set مجموعه‌ای از عناصر یکتا یا Unique است و اجازه ذخیره مقادیر تکراری را نمی‌دهد. این ویژگی باعث شده Set برای حذف داده‌های تکراری، انجام عملیات مجموعه‌ای و بررسی سریع وجود یک مقدار بسیار مناسب باشد. برخلاف List، ترتیب عناصر در Set تضمین‌شده نیست و نباید بر اساس موقعیت اعضا روی آن حساب کرد. در بسیاری از الگوریتم‌های تحلیل داده، اعتبارسنجی اطلاعات و پردازش فایل‌ها از Set برای حذف داده‌های تکراری استفاده می‌شود.

numbers={2,4,2,8,6,4}
print(numbers)

در خروجی تنها مقادیر یکتا نمایش داده می‌شوند و عناصر تکراری به صورت خودکار حذف خواهند شد. همین ویژگی Set را به یکی از سریع‌ترین ساختارها برای بررسی عضویت و حذف داده‌های تکراری تبدیل کرده است.

دیکشنری پایتون

Dictionary یکی از قدرتمندترین ساختمان داده‌های Python است و اطلاعات را به صورت کلید و مقدار یا Key-Value ذخیره می‌کند. برخلاف List که دسترسی به عناصر بر اساس شماره اندیس انجام می‌شود، در Dictionary داده‌ها با استفاده از کلید اختصاصی قابل بازیابی هستند. این ساختار برای نگهداری اطلاعات کاربران، تنظیمات برنامه، داده‌های JSON، پاسخ APIها و بسیاری از سناریوهای دیگر بسیار مناسب است. کلیدها باید یکتا باشند، اما مقادیر می‌توانند تکراری باشند. سرعت بالای جستجو و انعطاف‌پذیری زیاد باعث شده Dictionary یکی از پرکاربردترین ساختمان داده‌ها در پروژه‌های Python باشد.

user={
    "name":"Darioush",
    "age":41,
    "city":"Tehran"
}
print(user["name"])
print(user["age"])

در این مثال اطلاعات یک کاربر داخل Dictionary ذخیره شده و با استفاده از کلیدهای مربوطه بازیابی می‌شوند. این روش نسبت به استفاده از لیست خوانایی بسیار بیشتری دارد و در پروژه‌های واقعی تقریباً همیشه برای مدیریت داده‌های ساختاریافته مورد استفاده قرار می‌گیرد.

لیست کامپرهنشن

List Comprehension یکی از قابلیت‌های قدرتمند و در عین حال خوانای Python است که امکان ایجاد لیست‌های جدید را تنها با یک عبارت کوتاه فراهم می‌کند. در بسیاری از پروژه‌ها لازم است داده‌های یک مجموعه پردازش، فیلتر یا تبدیل شوند و نوشتن حلقه‌های طولانی برای این کار همیشه بهترین انتخاب نیست. List Comprehension علاوه بر کاهش حجم کد، خوانایی آن را نیز افزایش می‌دهد و در بسیاری از موارد عملکرد مناسبی دارد. البته استفاده بیش از حد از عبارت‌های پیچیده می‌تواند باعث کاهش خوانایی شود، بنابراین بهتر است تنها زمانی از این قابلیت استفاده شود که ساختار عبارت همچنان ساده و قابل فهم باقی بماند. این ویژگی در پروژه‌های تحلیل داده، پردازش فایل‌ها، توسعه API و برنامه‌های هوش مصنوعی کاربرد فراوانی دارد.

numbers=[1,2,3,4,5]
squares=[x*x for x in numbers]
print(squares)

در این مثال بدون استفاده از یک حلقه مجزا، لیستی جدید شامل مربع تمام اعداد ایجاد شده است. همین ساختار را می‌توان برای فیلتر کردن داده‌ها، تبدیل رشته‌ها، استخراج اطلاعات و بسیاری از عملیات دیگر نیز به کار برد.

مدیریت خطاها

هیچ برنامه‌ای کاملاً بدون خطا نیست و در پروژه‌های واقعی همیشه احتمال بروز مشکلاتی مانند ورود اطلاعات نامعتبر، نبود فایل، قطع ارتباط شبکه یا خطاهای محاسباتی وجود دارد. Python برای مدیریت این شرایط از ساختار Exception Handling استفاده می‌کند. به جای متوقف شدن کامل برنامه، می‌توان خطا را مدیریت کرد و پیام مناسبی به کاربر نمایش داد یا عملیات جایگزین انجام داد. این موضوع علاوه بر افزایش پایداری نرم‌افزار، تجربه کاربری بهتری نیز ایجاد می‌کند. برنامه‌هایی که مدیریت خطای مناسبی ندارند معمولاً در شرایط غیرمنتظره از کار می‌افتند و نگهداری آن‌ها نیز دشوارتر خواهد بود.

try:
    number=int(input("Number: "))
    print(100/number)
except ValueError:
    print("Invalid number")
except ZeroDivisionError:
    print("Division by zero")

در این مثال دو نوع خطای رایج مدیریت شده‌اند. اگر کاربر مقدار غیرعددی وارد کند یا عدد صفر را برای تقسیم انتخاب کند، برنامه به جای توقف ناگهانی، پیام مناسبی نمایش خواهد داد. در پروژه‌های حرفه‌ای معمولاً خطاها علاوه بر نمایش پیام، ثبت یا Logging نیز می‌شوند تا بررسی آن‌ها در آینده ساده‌تر باشد.

کار با فایل

بیشتر نرم‌افزارها نیاز دارند اطلاعات را در فایل ذخیره کنند یا داده‌های موجود در فایل‌های متنی، CSV، JSON یا سایر قالب‌ها را بخوانند. Python امکانات قدرتمندی برای کار با فایل‌ها ارائه می‌دهد و انجام این عملیات را بسیار ساده کرده است. رعایت اصول صحیح باز و بسته کردن فایل‌ها اهمیت زیادی دارد، زیرا در غیر این صورت ممکن است منابع سیستم آزاد نشوند یا اطلاعات به درستی ذخیره نشوند. استفاده از ساختار with یکی از بهترین روش‌ها برای مدیریت فایل‌ها است، زیرا پس از پایان عملیات فایل به صورت خودکار بسته خواهد شد.

with open("data.txt","r") as file:
    content=file.read()
print(content)

در این مثال فایل متنی باز شده، تمام محتوای آن خوانده شده و سپس بدون نیاز به دستور اضافی، فایل به صورت خودکار بسته می‌شود. همین روش برای خواندن فایل‌های بزرگ، پردازش گزارش‌ها و مدیریت داده‌های متنی نیز استفاده می‌شود.

نوشتن فایل

علاوه بر خواندن اطلاعات، بسیاری از برنامه‌ها باید داده‌های جدید را داخل فایل ذخیره کنند. ثبت گزارش‌ها، ذخیره تنظیمات، تولید خروجی برنامه، ایجاد فایل‌های متنی و تهیه نسخه پشتیبان تنها بخشی از کاربردهای نوشتن فایل هستند. Python چندین حالت مختلف برای باز کردن فایل ارائه می‌دهد که هر کدام رفتار متفاوتی دارند. برای مثال حالت نوشتن فایل قبلی را جایگزین می‌کند، در حالی که حالت افزودن اطلاعات جدید را به انتهای فایل اضافه خواهد کرد. انتخاب حالت مناسب اهمیت زیادی دارد، زیرا استفاده اشتباه از آن ممکن است باعث حذف اطلاعات قبلی شود.

with open("log.txt","a") as file:
    file.write("Application Started\n")

در این نمونه اطلاعات جدید به انتهای فایل اضافه می‌شود و محتوای قبلی حفظ خواهد شد. ثبت رخدادهای سیستم، گزارش خطاها و ذخیره فعالیت کاربران معمولاً با همین روش انجام می‌شود.

خواندن پوشه ها

در بسیاری از پروژه‌ها لازم است فایل‌های موجود در یک پوشه بررسی شوند، فایل‌های خاص پیدا شوند یا عملیات مشخصی روی همه فایل‌ها انجام گیرد. Python با استفاده از کتابخانه استاندارد خود این قابلیت را فراهم کرده است و توسعه‌دهنده می‌تواند بدون نیاز به ابزارهای جانبی، ساختار فایل‌ها و پوشه‌ها را مدیریت کند. این قابلیت در توسعه ابزارهای پشتیبان‌گیری، مدیریت اسناد، پردازش تصاویر، تبدیل فایل‌ها و اسکریپت‌های اتوماسیون بسیار کاربرد دارد. آشنایی با این امکانات یکی از گام‌های مهم برای ورود به پروژه‌های واقعی است.

from pathlib import Path
for item in Path(".").iterdir():
    print(item)

در این مثال تمام فایل‌ها و پوشه‌های موجود در مسیر جاری نمایش داده می‌شوند. با ترکیب این قابلیت و ساختارهای شرطی می‌توان ابزارهای قدرتمندی برای مدیریت فایل‌ها، مرتب‌سازی اسناد، پردازش دسته‌ای تصاویر و انجام عملیات خودکار روی پوشه‌ها ایجاد کرد.

کلاس چیست

Class یا کلاس را می‌توان به عنوان نقشه یا Blueprint ایجاد اشیاء در نظر گرفت. کلاس مشخص می‌کند هر شیء چه ویژگی‌هایی خواهد داشت و چه عملیات یا متدهایی می‌تواند انجام دهد. تا زمانی که از روی کلاس نمونه‌ای ساخته نشود، هیچ شیء واقعی در حافظه ایجاد نخواهد شد. استفاده از کلاس‌ها باعث می‌شود بتوان تعداد زیادی شیء مشابه با ساختار یکسان ایجاد کرد. این موضوع علاوه بر کاهش تکرار کد، توسعه و نگهداری پروژه را نیز بسیار ساده‌تر می‌کند. در پروژه‌های واقعی معمولاً برای هر موجودیت اصلی مانند کاربر، محصول، سفارش یا مشتری یک کلاس مجزا تعریف می‌شود.

class User:
    pass
user1=User()
print(type(user1))

در این مثال یک کلاس ساده ایجاد شده و سپس یک شیء از روی آن ساخته شده است. اگرچه این کلاس هنوز هیچ ویژگی یا متدی ندارد، اما پایه تمام ساختارهای شیءگرا محسوب می‌شود و در ادامه قابلیت‌های بیشتری به آن اضافه خواهیم کرد.

ویژگی ها

هر شیء دارای مجموعه‌ای از ویژگی‌ها یا Attributeها است که وضعیت آن را توصیف می‌کنند. برای مثال یک کاربر می‌تواند دارای نام، ایمیل، شماره تماس و سن باشد و یک خودرو نیز ویژگی‌هایی مانند مدل، رنگ، سال تولید و شماره پلاک داشته باشد. Attributeها معمولاً هنگام ایجاد شیء مقداردهی می‌شوند و در طول اجرای برنامه قابل استفاده یا تغییر هستند. انتخاب ساختار مناسب برای ویژگی‌ها باعث می‌شود اطلاعات هر شیء به صورت منظم و قابل مدیریت نگهداری شوند. این روش نسبت به استفاده از چندین متغیر مستقل، خوانایی و توسعه‌پذیری بسیار بیشتری دارد.

class User:
    def __init__(self,name):
        self.name=name
user=User("Darioush")
print(user.name)

در این مثال سازنده کلاس یا Constructor مقدار نام کاربر را دریافت کرده و داخل ویژگی name ذخیره می‌کند. از این پس هر شیء جدید می‌تواند نام متفاوتی داشته باشد، بدون اینکه نیاز به تعریف کلاس جدید باشد.

متدها

رفتارهای هر شیء توسط متدها یا Methodها تعریف می‌شوند. متد در واقع نوعی تابع است که داخل کلاس قرار دارد و معمولاً روی ویژگی‌های همان شیء عمل می‌کند. برای مثال یک کلاس مربوط به حساب بانکی می‌تواند متدهایی برای واریز، برداشت یا نمایش موجودی داشته باشد. استفاده از متدها باعث می‌شود داده‌ها و عملیات مرتبط با آن‌ها در یک ساختار واحد قرار گیرند که یکی از مهم‌ترین اصول برنامه‌نویسی شیءگرا است. این روش علاوه بر افزایش امنیت داده‌ها، خوانایی و قابلیت توسعه پروژه را نیز بهبود می‌بخشد.

class User:
    def __init__(self,name):
        self.name=name
    def greet(self):
        print("Hello",self.name)
user=User("Darioush")
user.greet()

در این مثال متد greet از مقدار ذخیره‌شده داخل شیء استفاده کرده و پیام خوشامدگویی نمایش می‌دهد. هر شیء می‌تواند همین متد را با داده‌های مخصوص خود اجرا کند و نتیجه متفاوتی تولید نماید.

سازنده کلاس

سازنده یا Constructor متدی ویژه است که هنگام ایجاد هر شیء به صورت خودکار اجرا می‌شود. در Python این متد با نام __init__ شناخته می‌شود و معمولاً برای مقداردهی اولیه ویژگی‌های شیء استفاده می‌شود. استفاده صحیح از Constructor باعث می‌شود تمام اشیاء در همان ابتدای ایجاد، وضعیت مشخص و معتبری داشته باشند. در پروژه‌های واقعی ممکن است داخل سازنده عملیات اعتبارسنجی، مقداردهی اولیه، اتصال به منابع یا تنظیم مقادیر پیش‌فرض نیز انجام شود.

class Product:
    def __init__(self,name,price):
        self.name=name
        self.price=price
item=Product("Laptop",2500)
print(item.name)
print(item.price)

در این مثال هنگام ایجاد شیء، نام و قیمت محصول دریافت شده و داخل ویژگی‌های مربوطه ذخیره می‌شوند. به این ترتیب هر شیء اطلاعات اختصاصی خود را خواهد داشت و مدیریت داده‌ها بسیار منظم‌تر انجام می‌شود.

پیاده سازی وراثت

در Python ایجاد کلاس فرزند بسیار ساده است و تنها کافی است نام کلاس پایه داخل پرانتز کلاس جدید نوشته شود. تمام ویژگی‌ها و متدهای کلاس والد به صورت خودکار در کلاس فرزند قابل استفاده خواهند بود. علاوه بر این، کلاس فرزند می‌تواند قابلیت‌های جدید اضافه کند یا رفتار برخی متدها را تغییر دهد. این انعطاف‌پذیری یکی از مهم‌ترین دلایل محبوبیت شیءگرایی در توسعه نرم‌افزارهای بزرگ است.

class Animal:
    def speak(self):
        print("Sound")
class Dog(Animal):
    pass
dog=Dog()
dog.speak()

در این مثال کلاس Dog بدون تعریف مجدد متد speak از قابلیت موجود در کلاس Animal استفاده می‌کند. همین ویژگی باعث کاهش تکرار کد و افزایش قابلیت نگهداری پروژه می‌شود.

چندریختی

چندریختی یا Polymorphism به این معنا است که اشیاء مختلف بتوانند یک متد مشترک را به شکل‌های متفاوت پیاده‌سازی کنند. این ویژگی باعث می‌شود برنامه بدون اطلاع از نوع دقیق شیء، تنها با استفاده از یک رابط مشترک عملیات موردنظر را انجام دهد. در پروژه‌های بزرگ، چندریختی انعطاف‌پذیری بسیار بالایی ایجاد می‌کند و توسعه قابلیت‌های جدید را بدون تغییر بخش‌های قبلی برنامه امکان‌پذیر می‌سازد. بسیاری از فریم‌ورک‌های Python نیز برای طراحی معماری قابل توسعه از همین مفهوم استفاده می‌کنند.

class Cat:
    def speak(self):
        print("Meow")
class Dog:
    def speak(self):
        print("Woof")
for animal in [Cat(),Dog()]:
    animal.speak()

هر دو کلاس دارای متدی با نام یکسان هستند، اما خروجی متفاوتی تولید می‌کنند. برنامه بدون نیاز به بررسی نوع شیء، تنها متد speak را فراخوانی می‌کند و رفتار مناسب به صورت خودکار اجرا می‌شود.

کپسوله سازی

کپسوله‌سازی یا Encapsulation یکی دیگر از اصول مهم شیءگرایی است که هدف آن محافظت از داده‌های داخلی کلاس و جلوگیری از دسترسی مستقیم به اطلاعات حساس است. به جای اینکه تمام ویژگی‌ها مستقیماً در اختیار سایر بخش‌های برنامه قرار گیرند، دسترسی به آن‌ها از طریق متدهای مشخص انجام می‌شود. این روش علاوه بر افزایش امنیت داده‌ها، امکان اعتبارسنجی اطلاعات و کنترل تغییرات را نیز فراهم می‌کند. در Python اگرچه مفهوم دسترسی خصوصی مانند برخی زبان‌ها سخت‌گیرانه نیست، اما با استفاده از قراردادهای نام‌گذاری و ویژگی‌های زبان می‌توان تا حد زیادی این اصل را پیاده‌سازی کرد.

class Account:
    def __init__(self):
        self.__balance=1000
    def get_balance(self):
        return self.__balance
account=Account()
print(account.get_balance())

در این مثال موجودی حساب به صورت مستقیم در اختیار سایر بخش‌های برنامه قرار نگرفته و تنها از طریق متد مشخصی قابل دریافت است. این روش امکان کنترل دسترسی و جلوگیری از تغییرات ناخواسته را فراهم می‌کند.

انتزاع

انتزاع یا Abstraction به معنای نمایش قابلیت‌های ضروری و پنهان کردن جزئیات غیرضروری پیاده‌سازی است. کاربران یک کلاس معمولاً نیازی ندارند بدانند عملیات داخلی چگونه انجام می‌شود و تنها کافی است رابط مناسبی برای استفاده از قابلیت‌ها در اختیار آن‌ها قرار گیرد. این اصل باعث ساده‌تر شدن استفاده از کلاس‌ها و کاهش وابستگی بین بخش‌های مختلف پروژه می‌شود. بسیاری از کتابخانه‌های استاندارد Python و فریم‌ورک‌های مشهور از همین مفهوم استفاده می‌کنند تا توسعه‌دهندگان بتوانند بدون اطلاع از جزئیات داخلی، تنها با چند دستور از قابلیت‌های پیچیده بهره ببرند.

from abc import ABC,abstractmethod
class Shape(ABC):
    @abstractmethod
    def area(self):
        pass

در این مثال یک کلاس انتزاعی تعریف شده است که کلاس‌های فرزند باید متد area را پیاده‌سازی کنند. این روش استانداردی مشخص برای تمام کلاس‌های مشتق ایجاد می‌کند و باعث افزایش انسجام طراحی نرم‌افزار می‌شود.

دکوراتور

Decorator یکی از ویژگی‌های قدرتمند Python است که امکان افزودن قابلیت‌های جدید به توابع یا متدها را بدون تغییر کد اصلی فراهم می‌کند. این ویژگی بر پایه مفهوم تابع به عنوان شیء یا First-Class Function طراحی شده است و به همین دلیل می‌توان توابع را به عنوان ورودی دریافت یا خروجی برگرداند. در پروژه‌های واقعی از Decorator برای ثبت گزارش، بررسی سطح دسترسی، اندازه‌گیری زمان اجرا، مدیریت کش، اعتبارسنجی داده‌ها و بسیاری از عملیات مشترک استفاده می‌شود. این روش باعث می‌شود کد اصلی ساده باقی بماند و منطق‌های تکراری تنها یک بار پیاده‌سازی شوند.

def logger(func):
    def wrapper():
        print("Start")
        func()
    return wrapper

در این نمونه، Decorator قبل از اجرای تابع اصلی پیام مشخصی نمایش می‌دهد. در پروژه‌های واقعی می‌توان از همین الگو برای ثبت لاگ، بررسی مجوزها یا مدیریت خطاها استفاده کرد.

ژنراتور

Generator روشی برای تولید داده‌ها به صورت مرحله‌ای است و به جای ذخیره تمام اطلاعات در حافظه، هر مقدار را تنها هنگام نیاز تولید می‌کند. این ویژگی باعث کاهش مصرف حافظه و افزایش کارایی در پردازش داده‌های بزرگ می‌شود. ژنراتورها با استفاده از کلمه کلیدی yield ایجاد می‌شوند و برخلاف توابع معمولی پس از هر بار تولید مقدار، وضعیت داخلی خود را حفظ می‌کنند. این قابلیت در پردازش فایل‌های بزرگ، خواندن داده‌های شبکه، تحلیل لاگ‌ها و بسیاری از پروژه‌های علم داده کاربرد فراوانی دارد.

def numbers():
    for i in range(5):
        yield i
for item in numbers():
    print(item)

در این مثال هر عدد تنها هنگام نیاز تولید می‌شود و تمام مقادیر به صورت هم‌زمان در حافظه قرار نمی‌گیرند. این ویژگی هنگام کار با میلیون‌ها رکورد داده اهمیت بسیار زیادی دارد.

تایپ هینت

Python یک زبان پویا است، اما از نسخه‌های جدید امکان استفاده از Type Hint نیز فراهم شده است. تایپ هینت‌ها نوع داده مورد انتظار را مشخص می‌کنند و علاوه بر افزایش خوانایی کد، به ابزارهای تحلیل کد و محیط‌های توسعه کمک می‌کنند تا خطاهای احتمالی را قبل از اجرا تشخیص دهند. استفاده از Type Hint به‌ویژه در پروژه‌های تیمی و نرم‌افزارهای بزرگ توصیه می‌شود، زیرا درک ساختار توابع و متغیرها را برای سایر توسعه‌دهندگان ساده‌تر می‌کند.

def add(a:int,b:int)->int:
    return a+b
print(add(5,8))

در این مثال نوع ورودی‌ها و خروجی تابع مشخص شده است. اگرچه Python همچنان اجرای برنامه را به این اعلان‌ها وابسته نمی‌کند، اما ابزارهای توسعه و بررسی کد می‌توانند از این اطلاعات برای جلوگیری از بسیاری از اشتباهات استفاده کنند.

پردازش همزمان

در برخی پروژه‌ها لازم است چندین عملیات به صورت هم‌زمان انجام شوند. دانلود فایل‌ها، پردازش درخواست‌های شبکه، ارتباط با چندین سرویس، تحلیل داده‌ها و اجرای وظایف مستقل از جمله این موارد هستند. Python روش‌های مختلفی مانند Threading، Multiprocessing و Async Programming را برای مدیریت این سناریوها ارائه می‌دهد. انتخاب روش مناسب به نوع عملیات بستگی دارد. برای پردازش‌های وابسته به ورودی و خروجی معمولاً Async یا Threading انتخاب مناسبی هستند، در حالی که برای محاسبات سنگین پردازنده‌محور استفاده از Multiprocessing نتیجه بهتری خواهد داشت.

شناخت تفاوت این روش‌ها اهمیت زیادی دارد، زیرا انتخاب نادرست می‌تواند باعث کاهش عملکرد برنامه شود. توسعه‌دهندگان حرفه‌ای معمولاً قبل از انتخاب هر روش، نوع بار پردازشی پروژه را بررسی می‌کنند.

فریمورک ها

یکی از مهم‌ترین مزیت‌های Python اکوسیستم غنی آن است. هزاران کتابخانه و ده‌ها فریم‌ورک تخصصی برای حوزه‌های مختلف توسعه یافته‌اند که سرعت پیاده‌سازی پروژه‌ها را به شکل قابل توجهی افزایش می‌دهند. انتخاب فریم‌ورک مناسب به نوع پروژه، مقیاس نرم‌افزار، نیازهای عملکردی و تجربه تیم توسعه بستگی دارد. برخی فریم‌ورک‌ها برای توسعه وب، برخی برای هوش مصنوعی و برخی دیگر برای تحلیل داده یا تست نرم‌افزار طراحی شده‌اند. آشنایی با مهم‌ترین ابزارهای اکوسیستم Python یکی از مهارت‌های ضروری برای ورود به بازار کار است.

تسلط بر خود زبان Python اهمیت زیادی دارد، اما در پروژه‌های واقعی معمولاً موفقیت برنامه‌نویس به میزان آشنایی او با کتابخانه‌ها و فریم‌ورک‌های تخصصی نیز وابسته است.

بازار کار

Python طی سال‌های اخیر به یکی از پرتقاضاترین مهارت‌های برنامه‌نویسی در بازار کار جهان تبدیل شده است. شرکت‌های فعال در حوزه فناوری، تجارت الکترونیک، بانکداری، سلامت، آموزش، امنیت اطلاعات، هوش مصنوعی و رایانش ابری به طور گسترده از این زبان استفاده می‌کنند. فرصت‌های شغلی Python تنها به توسعه وب محدود نمی‌شود و موقعیت‌هایی مانند Backend Developer، Data Analyst، Data Engineer، Machine Learning Engineer، DevOps Engineer، QA Automation Engineer، Cyber Security Specialist و AI Engineer نیز از مهم‌ترین مسیرهای شغلی این زبان هستند. میزان درآمد برنامه‌نویسان Python معمولاً به تجربه، مهارت در فریم‌ورک‌ها، آشنایی با معماری نرم‌افزار و توانایی حل مسئله بستگی دارد.

برای ورود موفق به بازار کار تنها دانستن Syntax کافی نیست. داشتن نمونه پروژه، تسلط بر Git، آشنایی با پایگاه داده، مفاهیم REST API، لینوکس، Docker و اصول تست نرم‌افزار نیز نقش مهمی در استخدام برنامه‌نویسان حرفه‌ای دارد.

نقشه راه یادگیری پایتون

بهترین مسیر یادگیری Python از مباحث پایه آغاز می‌شود و سپس به تدریج وارد موضوعات تخصصی‌تر خواهد شد. ابتدا باید مفاهیمی مانند متغیرها، انواع داده، شرط‌ها، حلقه‌ها، توابع، ساختمان داده‌ها و شیءگرایی را به خوبی فرا گرفت. پس از آن یادگیری Git، SQL، کار با API، مدیریت فایل‌ها و تست نرم‌افزار توصیه می‌شود. در مرحله بعد باید مسیر تخصصی موردنظر خود را انتخاب کنید؛ برای مثال توسعه وب با Django یا FastAPI، علم داده با Pandas و NumPy، هوش مصنوعی با TensorFlow یا PyTorch، اتوماسیون سیستم‌ها یا امنیت سایبری. تمرین مستمر، مطالعه مستندات رسمی و انجام پروژه‌های واقعی مهم‌ترین عوامل موفقیت در این مسیر هستند.

پیشرفت در Python بیش از هر چیز به تمرین عملی وابسته است. هرچه پروژه‌های بیشتری انجام دهید، درک شما از مفاهیم نیز عمیق‌تر خواهد شد و آمادگی بیشتری برای استخدام یا انجام پروژه‌های فریلنسری پیدا خواهید کرد.